論文の概要: Probabilistic electrical power demand forecasting with uncertainty quantification

• arxiv url: http://arxiv.org/abs/2609.34120v1
• Date: Mon, 28 Sep 2026 01:58:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-04 06:52:03.425131
• Title: Probabilistic electrical power demand forecasting with uncertainty quantification
• Title（参考訳）: 不確実性定量化による確率的電力需要予測
• Abstract要約: 本研究は, 電力消費に関する4つの現代確率予測モデルを実証的に比較した。 実世界の電力システム関連データセットの比較を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The majority of research on electricity consumption forecasting has focused on deterministic approaches, which generate a single point estimate for each time step in the forecasting horizon. However, the increasing penetration of renewable energy sources and the growing complexity of modern smart grids have introduced greater variability and uncertainty into power-system demand and operation. Consequently, probabilistic forecasting, which quantifies the uncertainty and variability associated with future electricity demand, is becoming increasingly important for reliable power-system planning and operation. This study presents an empirical comparison of four contemporary probabilistic forecasting models for electricity consumption, highlighting their respective strengths and limitations. We have performed comparision on real-world power systems related datasets. Across all power-consumption zones, NGBoost demonstrates superior probabilistic forecasting performance, achieving the lowest MAE and RMSE while providing well-calibrated uncertainty estimates with high prediction-interval coverage and reasonably narrow intervals. These results indicate that NGBoost offers a more accurate and reliable forecasting framework than Bayesian, Monte Carlo (MC) Dropout, and Gaussian Process Regression (GPR) models for the considered electricity consumption data.
• Abstract（参考訳）: 電力消費予測に関する研究の大部分は、予測地平線における各時間ステップ毎の単一点推定を生成する決定論的アプローチに重点を置いている。 しかし、再生可能エネルギー源の浸透の増加と、現代のスマートグリッドの複雑さの増大は、電力系統の需要と運用において、より多様性と不確実性をもたらしている。 その結果、将来の電力需要に伴う不確実性と変動を定量化する確率予測が、信頼性の高い電力系統計画・運用においてますます重要になっている。 本研究では, 電力消費に関する4つの現代確率予測モデルを実証的に比較し, それぞれの強度と限界を明らかにした。 実世界の電力システム関連データセットの比較を行った。 NGBoostは、すべての電力消費ゾーンにおいて、予測性能が優れ、低いMAEとRMSEを達成し、高い予測間隔と合理的に狭い間隔で、よく校正された不確実性推定を提供する。 これらの結果は,NGBoostがベイジアン,モンテカルロ(MC)ドロップアウト,ガウスプロセス回帰(GPR)モデルよりも正確で信頼性の高い予測フレームワークを提供することを示している。

関連論文リスト

• Probabilistic Multi-Regional Solar Power Forecasting with Any-Quantile Recurrent Neural Networks [3.8424737607413157]
  本稿では、AQ-RNN(Any-Quantile Recurrent Neural Network)に基づくマルチリージョンPV発電のための非量子確率予測フレームワークを提案する。 提案フレームワークは, 任意の確率レベルの条件量子化を, 1つの訓練されたモデル内で推定することができる。 その結果,予測精度,キャリブレーション,予測間隔の品質が一貫した改善を示した。
  論文  参考訳（メタデータ） (2026-02-05T13:43:18Z)
• Any-Quantile Probabilistic Forecasting of Short-Term Electricity Demand [8.068451210598678]
  電力システムは、決定論的に説明できない複数の要因から生じる不確実性の下で運用される。 ディープラーニングの最近の進歩は、ポイント予測の精度を大幅に向上させるのに役立っている。 任意の量子を予測できる分布予測のための新しい一般手法を提案する。
  論文  参考訳（メタデータ） (2024-04-26T14:43:19Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)
• Probabilistic forecasts of wind power generation in regions with complex topography using deep learning methods: An Arctic case [3.3788638227700734]
  本研究は,ディープラーニングを用いた確率的予測に関する概念とアプローチを提示する。 深層学習モデルを用いて、ノルウェー北部の風力発電所から日頭発電の確率予測を行う。
  論文  参考訳（メタデータ） (2022-03-10T15:52:11Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)
• Energy Forecasting in Smart Grid Systems: A Review of the State-of-the-art Techniques [2.3436632098950456]
  本稿では,スマートグリッド(SG)システムの最先端予測手法について概説する。 統計学,機械学習(ML),深層学習(DL)などの従来の点予測手法について検討した。 ヴィクトリア朝の電力消費とアメリカの電力(AEP)の比較ケーススタディを行った。
  論文  参考訳（メタデータ） (2020-11-25T09:17:07Z)
• Physics-Informed Gaussian Process Regression for Probabilistic States Estimation and Forecasting in Power Grids [67.72249211312723]
  電力グリッドの効率的な運転にはリアルタイム状態推定と予測が不可欠である。 PhI-GPRは3世代電力系統の位相角,角速度,風力の予測と推定に使用される。 提案手法は観測された状態と観測されていない状態の両方を正確に予測し,推定することができることを示す。
  論文  参考訳（メタデータ） (2020-10-09T14:18:31Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。